Skip to content
Home » Machine learning krijgt voet aan de grond in de kernfysica

Machine learning krijgt voet aan de grond in de kernfysica

    Machine learning krijgt voet aan de grond in de kernfysica
    nucleair

    Krediet: Pixabay/CC0 publiek domein

    Wetenschappers zijn begonnen zich te wenden tot nieuwe tools die worden aangeboden door machine learning om tijd en geld te besparen. In de afgelopen jaren heeft de kernfysica een stortvloed aan machine learning-projecten online zien komen, en er zijn veel artikelen over dit onderwerp gepubliceerd. Nu vatten 18 auteurs van 11 instellingen deze explosie van door kunstmatige intelligentie ondersteund werk samen in “Machine Learning in Nuclear Physics”, een paper dat onlangs is gepubliceerd in Beoordelingen van Moderne Natuurkunde.


    “Het was belangrijk om het verrichte werk te documenteren. We willen het gebruik van machinaal leren in de kernfysica echt onder de aandacht brengen om mensen te helpen de reikwijdte van de activiteiten te zien”, zegt Amber Boehnlein, hoofdauteur van het artikel. en de associate director voor computationele wetenschap en technologie bij de Thomas Jefferson National Accelerator Facility van het Amerikaanse ministerie van Energie.

    Omdat de krant het belangrijkste werk in het veld tot dusver verzamelt en samenvat, hoopt Boehnlein dat het kan dienen als een educatief hulpmiddel voor geïnteresseerde lezers, en ook als een routekaart voor toekomstige inspanningen.

    “Het biedt een benchmark die mensen kunnen gebruiken als ze doorgaan naar de volgende fase”, zei ze.

    Een revolutie op het gebied van machine learning

    Na het bijwonen van een workshop over kunstmatige intelligentie in Jefferson Lab in maart 2020 en het publiceren van een vervolgrapport, werden Boehnlein en twee van haar co-auteurs, Witold Nazarewicz en Michelle Kuchera, geïnspireerd om een ​​stap verder te gaan. Samen met 15 collega’s die alle deelgebieden van de kernfysica vertegenwoordigen, besloten ze een onderzoek te doen naar de stand van zaken van machine learning-projecten in de kernfysica.

    Ze begonnen bij het begin. Zoals de auteurs beschrijven, gebruikte het eerste belangrijke werk dat machine learning in de kernfysica gebruikte computerexperimenten om nucleaire eigenschappen, zoals atoommassa’s, in 1992 te bestuderen. Hoewel dit werk hintte op het potentieel van machine learning, bleef het gebruik ervan in het veld gedurende meer dan twee decenia. In de afgelopen jaren is dat veranderd.

    Machine learning, waarbij modellen worden gebouwd die taken kunnen uitvoeren zonder expliciete instructies, vereist dat computers specifieke dingen doen, waaronder gecompliceerde berekeningen. Met recente ontwikkelingen kunnen computers beter aan deze eisen voldoen, waardoor natuurkundigen machine learning gemakkelijker in hun werk kunnen opnemen.

    “Dit zou in 2019 een minder interessant artikel zijn geweest, omdat er niet genoeg werk zou zijn geweest om te catalogiseren. Maar nu is er veel werk te citeren vanwege het toegenomen gebruik van de technieken,” zei Boehnlein

    Tegenwoordig omvat machine learning alle schalen en energiegebieden van onderzoek, van onderzoek naar de bouwstenen van materie tot onderzoek naar de levenscycli van sterren. Het wordt ook aangetroffen in de vier deelgebieden van de kernfysica: theorie, experiment, versnellerwetenschap en -operaties, en datawetenschap.

    “We hebben ons ingespannen om een ​​uitgebreide, collectieve bron samen te stellen die de inspanningen in onze deelgebieden overbrugt, wat hopelijk zal leiden tot rijke discussies en innovatie in de kernfysica”, zegt co-auteur Kuchera, universitair hoofddocent natuurkunde en informatica bij Davidson College.

    Machine learning-modellen kunnen worden gebruikt om zowel het ontwerp als de uitvoering van experimenten in de kernfysica te helpen. Ze kunnen ook worden gebruikt om te helpen bij de analyse van de gegevens van die experimenten, waarvan er vaak meer dan petabytes zijn.

    “Ik verwacht dat machine learning wordt ingebed in onze gegevensverzameling en -analyse”, zei Kuchera.

    Machine learning zal deze processen versnellen, wat zou kunnen betekenen dat er minder tijd en geld nodig is voor beamtime, computergebruik en andere experimentele kosten.

    Theorie en experiment verbinden

    Tot nu toe heeft machinaal leren echter de sterkste voet aan de grond gekregen in de nucleaire theorie. Nazarewicz, kerntheoreticus en hoofdwetenschapper bij de Facility for Rare Isotope Beams aan de Michigan State University, is vooral geïnteresseerd in dit onderwerp. Hij zegt dat machine learning theoretici kan helpen om sneller geavanceerde berekeningen uit te voeren, modellen te verbeteren en te vereenvoudigen, voorspellingen te doen en theoretici te helpen de onzekerheden van hun voorspellingen te begrijpen. Het kan ook worden gebruikt om verschijnselen te bestuderen waarop onderzoekers geen experimenten kunnen uitvoeren, zoals supernova-explosies of neutronensterren.

    “Neutronensterren zijn niet erg gebruiksvriendelijk”, zegt Nazarewicz.

    Hij gebruikt machine learning om hyperzware kernen en elementen te bestuderen, die zoveel protonen en neutronen in hun kernen hebben dat ze niet experimenteel kunnen worden waargenomen.

    “Ik vind de resultaten het meest indrukwekkend in de theoriegemeenschap, met name de lage-energietheoriegemeenschap waarmee Witold wordt geassocieerd,” zei Boehnlein. “Ze lijken deze technieken echt te omarmen.”

    Boehnlein zei dat theoretici deze technieken bij Jefferson Lab ook zijn gaan omarmen in hun studie van proton- en neutronenstructuren. Met name machine learning kan helpen informatie te extraheren uit gecompliceerde theorieën, zoals kwantumchromodynamica, de theorie die de interacties beschrijft tussen de quarks en gluonen waaruit protonen en neutronen bestaan.

    De auteurs voorspellen dat de betrokkenheid van machine learning bij zowel theorie als experiment deze deelgebieden onafhankelijk van elkaar zal versnellen, en het zal ze ook beter met elkaar verbinden om de hele lus van het wetenschappelijke proces te versnellen.

    “Kernfysica helpt ons ontdekkingen te doen om de aard van ons universum beter te begrijpen, en het wordt ook gebruikt voor maatschappelijke toepassingen”, zei Nazarewicz. “Hoe sneller we de cyclus tussen experiment en theorie kunnen doorlopen, hoe sneller we tot ontdekkingen en toepassingen zullen komen.”

    Aangezien machine learning op dit gebied blijft groeien, verwachten de auteurs dat er meer ontwikkelingen en bredere toepassingen met deze tool zullen komen.

    “Ik denk dat we nog maar in de kinderschoenen staan ​​van de toepassing van machinaal leren op kernfysica,” zei Boehnlein.

    En gaandeweg zal dit artikel als referentie dienen, zelfs voor de eigen auteurs.

    “Ik hoop dat de paper wordt gebruikt als een hulpmiddel om de huidige stand van zaken op het gebied van machine learning-onderzoek te begrijpen, zodat we kunnen voortbouwen op deze inspanningen”, zei Kuchera. “Mijn onderzoek is gericht op methoden voor machinaal leren, dus ik zal dit artikel absoluut gebruiken als een venster op de stand van zaken op het gebied van machinaal leren in de kernfysica op dit moment.”


    Theorie suggereert dat kwantumcomputers exponentieel sneller zouden moeten zijn bij sommige leertaken dan klassieke machines


    Informatie:
    Amber Boehnlein et al, Colloquium: Machine learning in kernfysica, Beoordelingen van Moderne Natuurkunde (2022). DOI: 10.1103/RevModPhys.94.031003 . De paper is ook beschikbaar op arXiv.

    Geleverd door Thomas Jefferson National Accelerator Facility

    citaten: Machine learning vindt plaats in de kernfysica (2022, 13 oktober) opgehaald op 13 oktober 2022 van https://phys.org/news/2022-10-machine-nuclear-physics.html

    Op dit document rust copyright. Afgezien van een eerlijke handel ten behoeve van eigen studie of onderzoek, mag niets worden gereproduceerd zonder schriftelijke toestemming. De inhoud wordt uitsluitend ter informatie verstrekt.